企业官网建设流程全解析

做视觉项目的人，百分之八十的时间耗在数据上，其中标注又是最让人头大的环节。早年间我用LabelImg一张张拉框，一个五千张的数据集标注下来，眼睛都快瞎了，而且框的质量还参差不齐。后来接触到X-AnyLabeling这个工具，算是把"手工拉框"和"模型预标注"彻底打通了，一张图从完全手动两三分钟，压缩到十几秒检查修正就能搞定，效率直接翻了好几倍。今天这篇就是把我的实际使用流程从头到尾捋一遍，特别是安装环境和最后导出的格式转换，这些地方坑最多，网上的教程又很零散，我尽量一次说透。

这个工具本质上是一个带GUI的智能标注平台，底层集成了YOLO系列、SAM分割模型等一堆现成的推理模型，可以先让模型自动出框出掩膜，人再去修正，而不是从零开始画。如果你正在做目标检测、实例分割相关的数据集准备，或者需要把标注结果喂给YOLO、COCO、VOC这套训练管线，这篇教程可以直接照着抄作业。

1. 为什么选它：X-AnyLabeling 的定位与选型逻辑

1.1 数据标注工具的现状与痛点

做深度学习项目的人应该都有体会，标注这件事，看起来没啥技术含量，实际上一旦数据集规模上来，问题就全暴露了。LabelImg这种老牌工具胜在简单轻量，但功能实在太原始：只能画框，不支持分割掩膜，也没有自动标注能力，数据多了以后管理起来非常痛苦。Labelme虽然支持多边形分割，但同样没有预标注功能，一张复杂图慢慢点边界点，效率低到怀疑人生。CVAT功能强但部署成本高，开个Docker服务，小团队或者个人开发者压根不想折腾。

真正让人崩溃的是，这些工具产出的格式还各不相同。LabelImg默认给VOC XML，Labelme给JSON，而训练YOLO要txt，训练Detectron2要COCO JSON。每次换了训练框架，意味着标记的数据得重新转换，手动写脚本转格式这种事，我干过不下三回，每次都能遇到坐标归一化出问题、类别对不上的幺蛾子。所以看到X-AnyLabeling的时候，我的第一反应是：这玩意儿要是能把标注和格式转换一起解决，那就太省事了。

1.2 X-AnyLabeling 的核心优势在哪里

X-AnyLabeling这个名字看起来像LabelImg的亲戚，实际上它是在AnyLabeling的基础上做了大量模型集成和功能增强的版本。我第一次用的时候，印象最深的是它的模型加载机制，左侧栏内置了一个模型管理面板，点开就能看到各种预训练模型，从检测的YOLOv5、YOLOv8到分割的SAM、MobileSAM，还有OCR方向的PaddleOCR模型。选中一个模型，它会自动去下载权重文件，然后加载到本地的ONNX Runtime或者PyTorch环境里做推理。

这样一来，整个标注流程就变了：拿一张图，先加载一个YOLOv8模型跑一遍自动检测，框基本都在位置上，我再手动调整偏移的、删掉误检的、补上漏检的，最后微调完保存。对于那种场景固定、目标形态相对标准的图像，比如工业质检、交通监控、货架商品图，预标注的准确率能到百分之八十以上，人力只需要处理剩下的边界情况。这比纯粹手工画框爽太多了。

1.3 和标签工具生态的对比参考

做个简单对比，我实际用下来各个工具的定位区别是这样的：

X-AnyLabeling的定位刚好卡在"轻量部署"和"智能辅助"中间，不需要搭服务端，本地装个环境就能跑，同时又具备预标注能力。对个人开发者、小团队、以及那些不想折腾复杂平台的人来说，它几乎是这个区间里面最合适的选择。另外它是基于Python + PySide6开发的，源码结构相对清晰，如果对标注流程有定制需求，比如要加入自己的私有模型做预标注，二次开发的空间也比较大。

2. 环境准备与安装：Win11 CPU机型的完整实操

2.1 安装的形式选择：Release包和源码运行

X-AnyLabeling官方在GitHub上发布了预编译的Release包，Windows平台有免安装的zip压缩包，下载下来解压就能跑，这是对新手最友好的方式。但如果你用的是Mac或者Linux，或者你希望改成自己训练好的模型来做预标注，那就最好走源码安装的路线，直接在本地Python环境里跑起来。

我个人建议，如果你只是临时用一下，对模型集成没特别要求，直接下载Release包省事很多。但如果你要长期作为数据生产的工具用，或者要改源码加功能，还是老老实实配一个conda环境装源码版。我的主力机型是一台Win11的CPU笔记本，没有独显，下面我详细说下我在这个环境下安装源码版的过程，GPU机型大同小异，就是依赖的安装稍有不同。

2.2 第一步：安装Python与创建虚拟环境

源码安装的前提是Python环境，这里我强烈建议用Anaconda或者Miniconda来管理，不要直接在系统Python里硬装。X-AnyLabeling的依赖里涉及onnxruntime、opencv这些库，版本冲突是家常便饭，虚拟环境隔离好了，出问题随时可以推倒重来。

我用的是Miniconda，比Anaconda轻量很多。安装好Miniconda之后，打开Anaconda Prompt，输入以下命令创建独立的Python环境，我一般给Python 3.9或者3.10，太新的版本偶尔会有依赖兼容问题，这俩版本最稳。

conda create -n anylabeling python=3.9 -y conda activate anylabeling

激活环境以后，会看到命令行提示符前面出现了(anylabeling)的字样，这就说明已经进入虚拟环境了。后续所有的pip安装操作都要在这个激活状态下进行，不然会装到系统Python里，出来问题就说不清了。

2.3 第二步：克隆源码与安装依赖

接下来从GitHub把源码拉下来。如果你没装Git，也可以直接在GitHub页面右上角选择Download ZIP，下载后解压到本地目录，效果一样。

git clone https://github.com/CVHub520/X-AnyLabeling.git cd X-AnyLabeling

进入项目目录后，里面有一个requirements.txt文件，这里面就是全部依赖列表。直接执行：

pip install -r requirements.txt

这个过程会根据你的网络情况持续几分钟到十几分钟不等。最核心的依赖是PySide6、opencv-python、onnxruntime、numpy这几个。CPU机器上onnxruntime会自动安装CPU版本，GPU机器想调用显卡的话，需要额外安装onnxruntime-gpu，这个后面在GPU章节再细说。

2.4 第三步：启动程序与验证环境

依赖装好之后，在项目根目录下执行启动命令：

python anylabeling/app.py

如果一切正常，应该会弹出主窗口。我第一次运行的时候卡在这一步卡了挺久，启动后程序闪退，后来排查发现是opencv和numpy版本不兼容导致的，升级了numpy版本就好了。如果遇到类似问题，可以先在命令行里运行一遍，看具体的报错信息，闪退的时候窗口一闪而过，看不到报错，用命令行启动就能把错误日志留在终端里，排查方便很多。

启动成功以后，界面大概分为：左侧的工具栏、中间的图像显示区、右侧的标签管理区、底部还有属性信息栏，整体布局和LabelImg有点像，但功能面板多了不少。到这一步，安装环境这事儿就算成了。

提示：如果你的网络环境对GitHub的访问不太稳定，下载源码和模型权重时可能很慢甚至失败。源码下载失败可以尝试用镜像站，模型权重失败则可以考虑多试几次或者使用代理，但我不建议在权重下载这种事上耽误太久，后面有替代方案。

2.5 GPU环境与Linux系统的补充说明

有独立显卡的朋友，建议把onnxruntime换成GPU版本，这样加载分割模型的时候推理速度快很多。安装方式是在requirements.txt安装完成之后，再手动装一个GPU版本覆盖：

pip uninstall onnxruntime -y pip install onnxruntime-gpu

然后用CPU跑还是GPU跑，程序会自动检测可用设备，不需要额外配置参数。Linux环境下流程基本一样，只是conda的安装包方式不同，克隆下来之后同样装依赖就能跑。我在Ubuntu 20.04上跑过一次，唯一多出来的步骤是可能需要装一些系统级的图形库依赖，比如libgl1、libegl1这些，如果启动时报找不到libGL.so.1之类的错误，用apt安装对应的包就行。

3. 界面与手动标注：先把基本功练扎实

3.1 创建项目与加载图片数据

安装搞定之后，别急着上自动标注，先把基础的手动标注流程走一遍，因为你用自动标注跑出来的结果也得人工检查和修正，如果连手动操作都不熟练，后面修图的时候会非常别扭。

第一步是打开图片或者图片文件夹。在左侧工具栏找到"打开图片"和"打开文件夹"按钮，建议直接打开整个文件夹，这样标注的时候可以直接用快捷键切换上一张下一张，效率高很多。X-AnyLabeling支持的图片格式很全，jpg、png、bmp这些都是常规操作，webp格式也能处理，这点比老牌工具实在。

打开文件夹之后，右侧的标签列表区域需要先创建你想要的标签类别。比如你要做一个人脸检测的项目，就创建一个叫face的标签，如果要标注多个类别，可以一次性创建好，比如person、car、bicycle。创建好了以后，标签会显示在右侧列表里，标注时选中对应标签再画框就行。

3.2 手动标注的完整操作流程

手动标注的核心操作就是画框和画多边形。检测框任务用矩形框工具，直接在图像上按下鼠标左键拖动，松开就是完成一个框。分割任务用多边形工具，逐个点边界点，最后双击或者按回车闭合。

这里有几个小技巧我实际用下来非常顺手。第一，画错了不要急着删掉重来，快捷键Ctrl+Z可以撤销当前正在画的图形；第二，画好的框如果位置差一点点，不要删掉重画，用鼠标选中框之后，可以直接按键盘的方向键微调位置，移动步长默认是1像素，按住Shift键再按方向键可以变成10像素大步移动，这个微调功能在修正自动标注结果时特别有用。第三，标注的框好不好直接决定后面训练的上限，所以矩形框尽量紧贴目标边缘，不要留太大背景。

标注完一张图之后，按Ctrl+S保存，会生成一个对应的标注文件。这个文件默认是JSON格式，文件名和图片名一样，后缀改成了.json，比如image_001.jpg会生成image_001.json。如果你直接打开这个JSON文件，会发现里面包含了图形的类型、坐标点、标签类别这些信息。这个就是X-AnyLabeling的原始标注格式，后面做格式转换，本质就是从这种JSON里把坐标信息提取出来，再换算成其他格式要求的表示方式。

3.3 快捷键思维：标注效率的核心秘密

软件操作熟练度的分水岭其实在快捷键。用鼠标点来点去看起来没差多少，但几百张图积累下来，时间差距非常明显。我平时最常用的几个快捷键已经形成了肌肉记忆：

• W：切换到矩形框工具（画检测框）
• P：切换到多边形工具（画分割掩膜）
• D：切换到鼠标拖动模式（移动图像）
• Ctrl+S：保存当前标注
• A / D：切换上一张/下一张图片
• Ctrl+Z：撤销上一步操作
• Delete：删除选中的标注

这些快捷键的动作逻辑基本围绕"画框、移动、切换、保存"这条主线。你在用的过程中不用刻意背，多用几次自然就记住了。但我要强调一个操作习惯：标注完一张图后一定要立刻保存，别攒到最后一起批量保存。万一程序中途崩了或者系统重启了，没保存的标注全白干，那种滋味我尝过不止一次。

4. 自动标注：真正拉开效率差距的核心功能

4.1 模型管理面板与模型加载

X-AnyLabeling最值钱的功能，就是这个自动标注。在左侧工具栏找到模型管理图标，打开之后会看到，这里以列表形式展示了几大类预训练模型，包括检测模型、分割模型、OCR模型等。实际标注任务中，我用到最多的是YOLOv8系列的检测模型和MobileSAM系列的分割模型。

模型选好之后点击下载，程序会自动去拉取权重文件。这里要提醒一句，权重文件一般都有几十MB到几百MB，具体大小取决于模型复杂度，首次下载如果网络不好可能会有等待时间。下载完成后，模型会自动加载，加载成功后会在模型管理面板里显示一个已加载的标识，并弹出一个提示。加载模型这步是整个自动标注过程中最容易让新手懵的地方，很多人在模型管理面板里看到一堆模型，不知道怎么选，其实不用想复杂：你的目标是大致物体就用检测模型，要做精细轮廓就用分割模型。

4.2 检测模型的自动标注实测流程

以我做过的一个交通标志检测项目为例。我加载了YOLOv8n模型，这个模型是COCO数据集上预训练的，能识别八十类常见物体，虽然交通标志不在这八十类里，但没关系，预标注的目的是先把大概位置找出来，类别后面可以手动改。

在图片加载区左侧下方的AI面板里，点击"检测"按钮，模型会对当前图片进行推理，推理完成后图上就会出现标好的矩形框，并且附带了置信度分数。整个过程CPU上大概几百毫秒到一两秒，GPU上几乎是实时的，跑完之后我只需要检查一下每个框的位置准不准就行。

实际的修正量取决于你的目标类型和预训练模型的匹配程度。COCO八十类里的物体，比如人、车、猫狗这些常见目标，预标注准确率非常高；但如果是冷门的目标，比如工业零件、特殊农作物，预标注可能就很多漏检，这时候自动标注的意义就在于帮你处理那一部分常见的、目标形态规则的图，剩下困难的个别图再手工补。我的经验是，即便只有五成准确率，也比纯手工快一倍以上，因为人工只需要补框和调框，不需要从头画。

4.3 分割模型的自动标注与掩膜修正

分割任务的自动标注比检测更有意思。我在做遥感建筑物提取的时候，加载了MobileSAM模型，这个模型的特点是输入一个点或者一个框，模型就能把对应目标的分割掩膜给出来。此时我只要在图上大致点一下目标物体的中间位置，或者拉一个小框框住目标区域，分割掩膜就出来了，非常省事。

自动化分割出来之后，掩膜的边缘通常很光滑，看着很准，但实际在复杂场景里可能出现"多标了一点背景"或者"漏了目标的一小块"，这种时候需要手动修正。X-AnyLabeling支持用多边形工具在掩膜基础上继续编辑，我一般做法是选中有问题的掩膜，直接用多边形工具把多余的部分重新画一遍盖住，或者把缺失的部分补一下，后台的逻辑会自动合并掩膜区域。

这里有个小细节值得注意：自动分割出来的掩膜默认是"像素级"的，意思是它精确到每个像素属于哪个目标，这种精度比检测框高了好几个档次。如果后续你要做的是实例分割训练，这种掩膜数据就非常宝贵了。我在做掩膜编辑时发现，挨着很近的两个同类目标，分割掩膜经常粘连在一起，中间没有分开，这种时候就得手动把连接处画出来，把两个目标彻底断开，不然训练出来模型会把几个紧挨的目标当做一个整体。

4.4 半自动标注工作流的实战心得

把自动标注和手动修正串成一个完整工作流，我目前的节奏是这样的：先用检测模型快速过一遍整批图片，找出绝大多数目标的框；然后逐张检查修正，重点处理漏检和误检；对要做分割的数据，再用分割模型对每个已框选的目标生成掩膜；最后统一检查掩膜质量，把明显不符合实际轮廓的删掉重画。这套流程下来，一个包含两千张图、每张平均五到八个目标的数据集，纯手工可能得画一周，用半自动流程两三天就能搞定，而且质量更稳定。

说实话，自动标注不是为了完全替代人工，它的本质是"把人工从机械重复劳动中解放出来，集中精力处理模型搞不定的少数难点"。那些指望全自动标注完就不用管的思路，大概率会翻车，至少目前预训练模型的通用能力还达不到这个水平。

5. 格式转换：从标注文件到训练集的最后一公里

5.1 X-AnyLabeling的导出格式与适用场景

标注完成之后，面临的就是导出和格式转换。X-AnyLabeling在"文件"菜单里提供了一个导出功能，可以导出成几种常见的标注格式，包括YOLO格式、COCO JSON格式、VOC XML格式等。这个导出功能实际上帮了大忙，省去了很多脚本转换的功夫，但用下来还是有几个坑要特别注意。

YOLO格式是目前最常用的目标检测训练格式，PyTorch和Ultralytics系列的YOLO训练框架都直接用它。它的特点是每个图片对应一个txt文件，文件名跟图片名一致，txt每一行代表一个目标，格式是：类别id 归一化的中心点x 归一化的中心点y 归一化的宽度w 归一化的高度h。坐标全是0到1之间的比例值，用实际像素坐标除以图片宽高得到。

COCO格式则是一个大的JSON文件，里面包含所有图片的路径、宽高信息和标注框信息。COCO标注的单位是绝对像素坐标，表示形式有两种，一种是[x, y, width, height]的bbox字段，另一种是分割用的多边形坐标。如果后续要用Detectron2或者MMDetection训练，大概率需要转成这个格式。

VOC XML格式是XML树状结构，每个目标包含name、bndbox、xmin、ymin、xmax、ymax这些字段，主要服务于传统目标检测框架，比如早期的SSD或者YOLOv3原版实现。

5.2 实操：导出YOLO格式的具体步骤

以导出YOLO格式为例，操作步骤如下。先确保当前打开的是你要导出的图片文件夹，在菜单栏找到"文件" -> "导出标注" -> "YOLO格式"，点击后会弹出类别列表，这时要确认类别的id顺序。默认情况下，类别id是按你创建标签时的顺序从0开始编号的，比如第一个创建的label为0，第二个为1，依次类推。这一步非常关键，因为训练时类别顺序必须和数据集的classes.txt一致，一旦错位，训练出来的模型输出类别就全部对不上。

确认类别顺序无误后，选择导出路径，程序会在该路径下生成一个classes.txt文件，以及每张图片对应的txt标注文件。生成的txt文件命名是跟随图片文件名的，比如image_001.jpg对应的标注是image_001.txt。检查输出文件很简单，随便打开一个txt文件看一下内容：第一行如果是"0 0.5123 0.4567 0.2134 0.3456"，就说明类别0的某个目标中心在图片的中心点附近，宽高比例也在合理范围，基本就是对的。

注意：导出YOLO格式时，如果有某张图片没有标注任何目标，程序通常不会为它生成txt文件，或者生成一个空文件。但训练框架一般都要求"图片和标注文件一一对应"，哪怕没有目标也最好有个空txt，否则一些严格检查数据的训练脚本会报错。所以我导完格式后都会跑一遍脚本补一下缺失的空文件，这个脚本网上到处都有，简单几个循环的事。

5.3 实操：导出COCO与VOC格式的关键差异

导出COCO格式时要注意的点不太一样。程序导出的COCO JSON文件里，每张图片都有一个唯一的图片id，每个标注框通过image_id对应到具体图片，并且会附加一个category_id字段对应类别。打开JSON后你会发现，里面的bbox是绝对像素坐标，形式是[x, y, width, height]，其中x和y是目标框左上角的坐标值。这个格式和YOLO的归一化中心坐标完全两码事，别搞混了。

如果导出COCO之后你发现标注框的位置在训练时整体偏移了，十有八九是坐标系的起点定义出了问题。COCO的像素坐标系以图片左上角为原点，x轴向右，y轴向下，而且在很多数据集里左上角像素坐标按0开始计数。而X-AnyLabeling内部的图像坐标逻辑同样是从左上角开始的，所以完全一致，一般情况下不会错，但如果你在中间环节自己写了坐标变换的脚本，就很容易在这个原点问题上翻车。

VOC XML格式导出后的目录结构一般是每张图片一个XML文件，内容里用xmin、ymin、xmax、ymax表示左上角与右下角的绝对像素坐标。这种格式现在用得越来越少，但某些老项目和特定框架仍然需要。如果遇到用VOC格式的代码库，把导出目录里所有XML文件和图片放对齐就行，多数框架还顺带需要一个包含所有图片路径的train.txt索引文件，这个用一行脚本生成就好了。

5.4 格式转换的常见逻辑与脚本化思路

导出工具能覆盖大部分需求，但真实项目中总有不满足的时候。比如我需要把标注数据从X-AnyLabeling格式批量转成另外一套自定义的训练格式，或者需要对类别id做重新排序，这时候最简单的方式就是写Python脚本直接解析X-AnyLabeling的JSON标注文件。

X-AnyLabeling的JSON格式基本结构是：一个字典，包含version、flags、shapes和imagePath等字段。shapes是一个列表，列表里每个元素对应一个标注对象，含有label、points、shape_type这几个核心字段。label是类别名，points是一个包含坐标点的二维列表，shape_type是图形类型，比如"rectangle"表示矩形框，"polygon"表示多边形。

如果你要转成YOLO格式，核心逻辑就是遍历所有shapes，对于每个矩形框，把四个顶点坐标换算成[x1, y1, x2, y2]形式，然后计算中心点和宽高，再除以图片宽高得到归一化坐标，最后按"类别id 中心x 中心y 宽度 高度"写入txt。

要是想转成COCO格式，则要考虑为每个目标生成唯一的id，把类别名称映射成数字id，并且生成一个包含类别名称列表的categories字段。COCO还要求标注的segmentation是多边形坐标的一维列表形式，每两个数构成一个坐标点，这个转换也是从JSON的points字段直接展开就能得到。

这一块如果你不熟悉脚本，也不强求会写，直接用内置导出就行。但我还是建议读一下JSON文件的结构，哪怕不做二次开发，理解了数据本质，遇到问题时排查思路会清晰很多。

6. 常见问题速查与避坑手册

6.1 安装阶段最容易翻车的几个点

安装这块的问题我在前面零零散散提到过一些，这里集中整理一下，都是自己踩过的坑或者帮别人排查时遇到的典型情况。

闪退问题我遇到过好几次，排查思路是：不要双击启动程序，而是打开终端，在终端里执行启动命令，这样当程序崩溃闪退时，终端上会留下Python报错的堆栈信息。通常闪退原因是opencv-python和numpy版本兼容性问题，或者缺少某些系统库。比如在Windows上，如果系统缺少Visual C++运行库，程序也会在启动时报错。解决方式是装一下Microsoft Visual C++ Redistributable，这个微软官方有下载，装上基本能解决问题。

模型下载慢的问题也很气人。模型权重文件托管在GitHub Release上，网络不稳定时下载失败的概率很高。我建议的方案是，先查看模型列表里对应的下载链接，然后用浏览器或者下载工具去单独下载权重文件，下载完成后放到模型缓存目录里。Win11本地路径一般是用户目录下的.anylabeling/model目录，不同版本略有差异，你可以在模型管理面板里右键看具体路径。手动放好权重之后重新启动程序，就能正常加载了。

还有电源计划的问题。笔记本用户在CPU跑自动标注的时候，一定要把电源模式调整为"最佳性能"，不然CPU会被系统限频，推理速度慢到怀疑人生。这个不算bug，但实际影响体验很大。

6.2 标注使用阶段的典型问题

标注过程中我遇到过的比较怪的问题是：自动标注跑出来的框和真实目标对不齐。这种情况通常不是程序bug，而是预训练模型本身的能力边界问题。比如通用模型不擅长识别特定领域的罕见目标，或者图片里的目标形态变化太大。解决办法是换用更强的模型，比如YOLOv8x替换YOLOv8n，或者干脆对这种目标手动标注。

另一个常见问题是导出的YOLO标注坐标出现负数或者大于1的值。这种说明某个标注框有一部分画到了图片外面，比如你画框时拖到了图像边缘，导致中心点坐标仍然在合理范围，但宽高超出了边界。训练框架读到这种边界外标注一般会报错或者裁剪掉，所以最好在导出前就把画到图片外面的框修复好。一个简单的办法是在标注界面把图像缩小，检查图片边缘是否有半个框挂在外面，有的话就调整回来。

多类别混淆问题也时常发生，尤其当两个类别在视觉上比较接近，自动标注很容易一会儿把A标成B，一会儿把B标成A。我在做车辆检测时就遇到过"卡车"和"公交车"互串的情况。这种情况下不要偷懒逐个改，而是在检查阶段不断切换筛选某个类别，集中批量修正，效率更高。

6.3 我的几条经验与习惯

最后分享几条我用这工具总结出来的习惯，不一定适合所有人，但值得参考。

一是数据目录的组织习惯。我通常用"项目名/raw/images"放原始图片，"项目名/raw/labels"放X-AnyLabeling的JSON标注，"项目名/export"放导出后的最终训练格式。这样层层分清楚，避免原始数据、中间标注、最终格式混在一起。数据管理混乱是很多项目后期返工的根本原因，这一课我交了不少学费。

二是标注完成度的标准。做数据标注最忌讳"差不多就行"。自动标注出来的框，如果只是随手保存，不如不标。因为训练一个模型，垃圾进垃圾出，你标注的质量直接决定了模型性能的上限。我给自己定的标准是：检测框与目标边缘的最大偏差不超过两个像素，分割掩膜不能明显包含背景区域。听起来很苛刻，但实际上习惯了这个标准之后，速度并不会慢多少，而且训练出来的模型效果确实更稳。

三是有条件一定要用GPU。CPU跑自动标注虽然能用，但推理速度明显拖后腿，尤其是分割模型，一张图几秒到十几秒，两千张图下来时间成本很大。如果有CUDA显卡，哪怕是一张旧的GTX 1660，体验都会有质的提升。没有的话也不用太焦虑，把标注任务拆开分批做，边标边休息，心态反而更稳。

我现在的感受是，数据标注这件事，正在从纯体力活慢慢变成"半自动审核活"，工具在变聪明，但人的判断依然不可替代。X-AnyLabeling算是目前这个方向里性价比很高的一款，部署轻、功能全、格式转换省心，值得花点时间把它用熟。以后它要是能再增强模型在线扩展能力，真正做到开箱即用，那就更香了。